Estudio de métodos de estimación de carbono utilizando espectroscopia VIS-NIR e Inteligencia Artificial

• Autor: Castillo Quezada, Jim Isai
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad de Piura
• Repositorio: UDEP-Institucional
• Lenguaje: español
• OAI Identifier: oai:pirhua.udep.edu.pe:11042/7626
• Enlace del recurso: https://hdl.handle.net/11042/7626
• Nivel de acceso: acceso embargado
• Materia: Espectroscopía -- Aplicación; Carbono -- Mediciones; Inteligencia artificial – Aplicación; 621.361; https://purl.org/pe-repo/ocde/ford#2.02.03

El incremento continuo de dióxido de carbono (CO2) en la atmósfera es un problema ambiental urgente. Durante el año 2021 se observó un aumento del 6% en las emisiones globales de CO2, alcanzaron los 36 300 millones de toneladas, según datos del UNFCC (2022). En este contexto, una buena gestión de los suelos agrícolas se presenta como una alternativa natural de mitigación climática debido a su capacidad para capturar y almacenar carbono orgánico (Alcántara et al, 2016). Sin embargo, la medición precisa del carbono en el suelo sigue siendo un desafío, debido a que los métodos tradicionales requieren procesos de laboratorio costosos y demandantes de tiempo. Frente a esta problemática, la combinación de espectroscopía VIS-NIR con técnicas de Inteligencia Artificial ha surgido como una alternativa eficiente y accesible para estimar el contenido de carbono orgánico en suelos. Este trabajo utiliza datos de absorbancia en el espectro VIS-NIR para diseñar y evaluar modelos de Inteligencia Artificial con el objetivo de predecir carbono orgánico en ppm. Para lograrlo, se realiza una comparación de modelos predictivos como Support Vector Regression (SVR) y Redes Neuronales Convolucionales (CNN). Además, se integran técnicas de selección de características como Random Forest (RF) para identificar las bandas espectrales con mayor correlación con el carbono orgánico y de esta manera reducir nuestros datos de entrada. La tesis está organizada en seis capítulos. El primero incluye investigaciones previas relacionadas con el uso de IA en la espectroscopía VIS-NIR, así como un marco teórico y fórmulas matemáticas que ayuden a comprender mejor este trabajo. En el segundo capítulo se describen las metodologías empleadas, desde la recolección de datos de entrada hasta la estructura de los modelos que se ponen a prueba. El tercero se dedica al desarrollo de los modelos de aprendizaje automático, entrándose en detalle sobre cómo se entrenaron, qué ajustes se hicieron y qué decisiones se tomaron a lo largo del proceso. En el cuarto capítulo, se presentan los resultados de forma clara y resumida, con tablas que facilitan la comparación. En el quinto capítulo se analizan los resultados, se discuten comportamientos que llamaron la atención y se interpretan los comportamientos observados. Finalmente, el sexto capítulo cierra el trabajo con las conclusiones generales y propone caminos para futuras investigaciones. Esta investigación aporta al diseño de soluciones eficaces y asequibles para la medición de carbono, lo que favorece a una gestión agrícola más informada y fomenta la adopción de prácticas sostenibles que protejan el medio ambiente. Los resultados mostrados reflejan que la opción de combinar espectrometría con inteligencia artificial constituye una buena alternativa.